A NVIDIA publicou um guia do Earth2Studio que mostra como incorporar observações locais em modelos de previsão do tempo com assimilação de dados por IA. O foco é usar medições de empresas, sensores próprios, satélites e radares para refinar previsões regionais e globais sem retreinar os modelos.
O principal exemplo é o Score-Based Data Assimilation (SDA), que orienta modelos de difusão como CorrDiff e StormCast. A técnica compara a previsão intermediária com as observações e ajusta o resultado ao longo das etapas de geração. Segundo a empresa, isso produz saídas probabilísticas, com menor incerteza perto dos pontos medidos e maior variação nas áreas mais distantes.
O material também mostra dois casos de uso. O CorrDiff, pré-treinado para a Europa, transforma campos meteorológicos de 0,25° em previsões de 2,2 km e pode ser combinado com medições de vento a 10 metros, como no exemplo com uma área dos Países Baixos e do noroeste da Alemanha. Já o StormCast, pré-treinado para os Estados Unidos continentais e com resolução de 3 km, usa observações para aproximar a previsão das condições mais recentes entre uma análise do HRRR e a chegada da próxima atualização.
Para previsão global, o guia apresenta o HealDA, que estima o estado da atmosfera em segundos e reúne observações em uma grade global de 1°. O Earth2Studio também expõe fontes como satélites geoestacionários, redes de radar e dados convencionais, além de permitir adaptar o fluxo a dados proprietários.